电商数据分析心得（店铺诊断）（个人理解，仅供参考）

数据分析是一个大的模块，从数据源你的获取，数据的清洗，数据的存储，自动化生成报表，可视化的展示大屏展示，然后就是数据的决策赋能，让数据彻底的落地在业务中体现价值，这就是数据分析，也是数字化转型，精细化运营，与效率提升的自动化转型。总而言之，只要是通过数据可以为驱动业务的方式方法，内容都可以叫数据分许。

今天说一下数据分析的分析框架与就是如何驱动决策，如果想要看其他的数获取，数据清洗，可以关注我，去主页查看其他的板块，有数据获取的爬虫，解密算法，数据库等等今天我们就来说一下分析。以电商平台举例子。

我们分析有几个板块，有市场，也就是大盘，有竞争对手，也就是竞店，还有自身的一些情况，

将自身的一些情况与大盘对比，与竞店对比，分析就是对比，对齐颗粒度去对比 ， 对比哪些指标呢，有gmv，这个指标就是一个综合的流水指标，是体量，做生意就是这样要先把体量坐上去才能去说哪些转化率了，怎么去精准了，什么的，不然没有体量，都没有人0不管怎么去转化都是0，只有先把体量坐上去才是第一步，

所以 1，先做体量

跑题了我是来讲怎么分析的，变成怎么去做生意了。

书接上文，我们对比都对比的有那些具体的指标呢，gmv，yoy,就是年的同比，还有wow就是就是周的环比，还有就是转化率，

gmv就是一个店铺综合的体现，是一个大的指标，可以综合的反应我这一天的好坏，但是好坏的确定不单是看我今天的GMV是涨了还是跌了，要结合着看，结合这大盘和竞店去看，如果大盘跌，我们也跌，就要看大盘跌了多少比例，我们跌了多少比例，看一下两者的比例差异是否大， 如果差异合理那么我们跌就是正常的，如果不合理那么跌的的就不正常，那么大盘跌的百分比和我们跌的百分比要怎么判断这两者的差值是否正常呢？

首先我们要有一个基准就是Z值就是标准正态变量

我们在统计学中学过假设检验
 本文方法​​是基于假设检验（Z值）和行业经验的监控方法，用于判断差异合理性。

历史数据法​​：统计过去一段时间内（如过去3-6个月）大盘与店铺跌幅的差值，计算均值和标准差，最终计算Z值如果Z值的绝对值大于2说明当前差值偏离历史数据均值2倍标准差，属于小概率时间，百分之95的置信。

具体计算方法如下

计算每天的占比差值

然后计算平均的占比差值

计算标准差

计算Z值

Z值与2进行对比

具体方法如下

这样我就就知道今天这个波动是否是属于小概率事件了，属于小概率事件就是不正常的，就会问题存在，

那么有问题了要怎么办呢？

我们知道GMV是一个大的东西，我们想要具体指导是哪一个板块除了问题就要把GMV拆开，看一下都是什么组成的，是哪一款影响了gmv

GMV=访客*下单转化*客单价

这个GMV可以有很多种办法拆解

访客=曝光*点击率

这里面每每拆解，都是对应着步骤的，也就是从这个步骤到下一个步骤有多少人做了，有多少人流式，这个就是，用户分层，漏斗模型，也叫流程拆解法，我们没事可以多学一下分析框架，这东西分吃香的，面试也加分。

拆解后的指标判断方法和GMV一样，如果我们有行业经验，看一眼大概就知道为什会有异常了，我们可以根我这个办法来搭建一个看板，可以及时预警，厉害一点的，可以直接定位到问题所在的地方，知道了问题的地方就就是问题的原因我们就可以去寻找原因了，我个人的总结如下

关注的一些指标，有，店铺权重，断色断码，广告投入，种草，直播，明星代言，还有竞店，转化客单价，复购，sku 深度和宽度，库存周转，商品差异化，排名权重（店铺权重），搜索精准度，还有一个很重要的，平台活动，节假日等等 

稀缺性感知​​：显示"仅剩3件"

​​价格锚定效应​​：三档定价策略中，中间价位商品销量占比通常超60%

从众心理触发​​：商品页展示"已售1000+"数据可使新客购买意愿提升35%

大方面就是 用户行为、商品与供应链，平台权重，平台质量（网速，体验）、市场环境，心理驱动

些因子都会影响销量，

所以我们做的事情就出来了，

问题	方案
店铺权重	需要长时间积累（好评，物流，粉丝，复购，合规等）
搜索词	优化标题（知道热门搜索词）
点击	打标，活动，
........	.......

所以一家店铺要做的东西就出来了，这些是国内头部电商大厂一流的打法。

目前先到的就这么多，都是个人感悟仅供参靠

后面将介绍一下常用的分析表有哪些，都是你做什么用的。

对了还有竞店怎么看，后面也会总结